KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2019 / Cilt: 34 - Sayı: 4

Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması

Mehmet DAŞ
Nilay BALPETEK
Ebru KAVAK AKPINAR
Sinan AKPINAR
Sayfa
2203–2214
Yayın Tarihi
2019-06-25
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, Türkiye'nin farklı bölgelerindeki Sinop ve Adıyaman illerinin rüzgâr enerjisi potansiyeli, 2008-2017 yıllarında Devlet Meteoroloji İstasyon Müdürlüğü tarafından ölçülen verilere dayanarak istatistiksel olarak analiz edilmiştir.
📊
Temel Bulgular & Veri:Çalışma sonucu elde edilen güç yoğunluğu değerleri için destek vektör makinesi (DVM) regresyonu ile tahminsel model oluşturulmuştur.
💡
Sonuç & Katkı:DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2008-2017 Verileri
⚙️Değişkenler:Rüzgâr enerjisi · Weibull dağılımı · Destek vektör makinesi

Özet

Bu çalışmada, Türkiye'nin farklı bölgelerindeki Sinop ve Adıyaman illerinin rüzgâr enerjisi potansiyeli, 2008-2017 yıllarında Devlet Meteoroloji İstasyon Müdürlüğü tarafından ölçülen verilere dayanarak istatistiksel olarak analiz edilmiştir. İstatiksel analiz sırasında, ortalama rüzgâr hızı, rüzgâr hızının standart sapması, maksimum rüzgâr hızı ve rüzgâr gücü yoğunluğu belirlenmiştir. Rüzgâr hızının dağılımı ve rüzgâr güç yoğunluğunun belirlenmesinde Weibull dağılım fonksiyonu kullanılmıştır. Çalışma sonucu elde edilen güç yoğunluğu değerleri için destek vektör makinesi (DVM) regresyonu ile tahminsel model oluşturulmuştur. DVM regresyonunda polinom kernel, normalize polinom kernel, radyal tabanlı fonksiyon (RBF) kernel ve pearson VII (PUK) kernel modelleri kullanılmıştır. DVM regresyonu tahminleri için ortalama mutlak hata (MAE), kök ortalama karesel hata (RMSE), bağıl mutlak hata (RAE) ve kök bağıl karesel hata (RRSE) hata analizleri yapılmıştır. DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.

🔖

Bu Makaleye Atıf Yap

DAŞ, M., BALPETEK, N., AKPINAR, E. K., AKPINAR, S. (2019). Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 34 - Sayı: 4, 2203–2214. https://ajindex.com/articles/19901

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Sahin, A. D., A Review of Research and Development of Wind Energy in Turkey, Clean-Soil, Air, Water 36, 734-742, 2008.
  2. Bilgili, M., Sahin, B. ve Yasar, A. Application of Artificial Neural Networks for the Wind Speed Prediction of Target Station Using Reference Stations Data, Renewable Energy, 32, 2350-2360, 2007.
  3. Akalın, H., Seçkiner S.U., Eroğlu Y. Efficiency Evaluation for Wind Turbines Using Stochastic Frontier Analysis, Journal of the Faculty of Engineering and Architecture of Gazi University., 32(4), 1311-1325, 2017.
  4. Mutlu, Ö., Akpınar S. E. ve Balıkçı A. Power Quality Analysis of Wind Farm Connected to Alaçatı Substation in Turkey, Renewable Energy, 34(5): 1312-1318, 2009. Yenilenebilir Enerji Genel Müdürlüğü. Rüzğar Enerji Potansiyeli Atlası. http://www.yegm.gov.tr/. Erişim tarihi Mayıs 22, 2018.
  5. Jaramillo, O. A., Borja, M. A. Wind speed analysis in La Ventosa, Mexico: a bimodal probability distribution case, Renewable Energy, 29, 1613-1630, 2004. Dorvlo A. S. S. Estimating wind speed distribution, Energy Conversion and Management, 43, 2311-2318, 2002. Seguro J. V. and Lambert T. W. Modern estimation of thr parametre sor the Weibull wind speed distribution for wind energy analysis. Wind Energy and Industrial Aerodynamics, 85, 75-84, 2000. Ramirez P. and Carta J.A. Influence of the data sampling interval in the estimation of the parameters of the Weibull wind speed probability density distribution: a case study, Energy Conversion and Management, 46, 2419-2438, 2005.
  6. Caglar, A. Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarak İncelenmesi. Cumhuriyet Science Journal, 38(4), 156-164, 2017.
  7. Akyuz, H. E., Gamgam, H. Weibull, Lognormal ve Gamma Dağılımları ile Rüzgâr Hızı Verilerinin İstatistiksel Analizi. Cumhuriyet Science Journal, 38(4), 68-76, 2017.
  8. Kurban M., Hocaoğlu F. O., Kantar ve Mert Y. Weibull dağılımı kullanılarak rüzgar hız ve güç yoğunluklarının istatistiksel analizi, Afyon Kocatepe Bilim Dergisi, 7(2), 205-218, 2007. Kaplan Y. A. Rayleigh ve Weibull dağılımları kullanılarak osmaniye bölgesinde rüzgar enerjisinin değerlendirilmesi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitü Dergisi, 20(1), 62-71, 2016.
  9. Gülersoy T. ve Çetin S. N., Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi, (13)3, 209-213, 2010.
  10. Ashrafi, Z. N., Ghasemian, M., Shahrestani, M. I., Khodabandeh, E., & Sedaghat, A. Evaluation of hydrogen production from harvesting wind energy at